論文の概要: Normal-Abnormal Guided Generalist Anomaly Detection

• arxiv url: http://arxiv.org/abs/2510.00495v2
• Date: Thu, 02 Oct 2025 06:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.373673
• Title: Normal-Abnormal Guided Generalist Anomaly Detection
• Title（参考訳）: 正常異常ガイドジェネリスト異常検出
• Authors: Yuexin Wang, Xiaolei Wang, Yizheng Gong, Jimin Xiao,
• Abstract要約: Generalist Anomaly Detection (GAD)は、新しいターゲットドメインの異常を検出するために、元のドメイン上で統一モデルをトレーニングすることを目的としている。 従来のGAD法は主に通常のサンプルのみを参照として使用しており、現実のシナリオでしばしば利用できる異常なサンプルに含まれる貴重な情報を見下ろしている。 本報告では, 正常および異常サンプルを基準として, 種々の領域にわたる異常検出を誘導する正規誘導型一般異常検出法を提案する。
• 参考スコア（独自算出の注目度）: 24.763955488489852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalist Anomaly Detection (GAD) aims to train a unified model on an original domain that can detect anomalies in new target domains. Previous GAD methods primarily use only normal samples as references, overlooking the valuable information contained in anomalous samples that are often available in real-world scenarios. To address this limitation, we propose a more practical approach: normal-abnormal-guided generalist anomaly detection, which leverages both normal and anomalous samples as references to guide anomaly detection across diverse domains. We introduce the Normal-Abnormal Generalist Learning (NAGL) framework, consisting of two key components: Residual Mining (RM) and Anomaly Feature Learning (AFL). RM extracts abnormal patterns from normal-abnormal reference residuals to establish transferable anomaly representations, while AFL adaptively learns anomaly features in query images through residual mapping to identify instance-aware anomalies. Our approach effectively utilizes both normal and anomalous references for more accurate and efficient cross-domain anomaly detection. Extensive experiments across multiple benchmarks demonstrate that our method significantly outperforms existing GAD approaches. This work represents the first to adopt a mixture of normal and abnormal samples as references in generalist anomaly detection. The code and datasets are available at https://github.com/JasonKyng/NAGL.
• Abstract（参考訳）: Generalist Anomaly Detection (GAD)は、新しいターゲットドメインの異常を検出するために、元のドメイン上で統一モデルをトレーニングすることを目的としている。 従来のGAD法は主に通常のサンプルのみを参照として使用しており、現実のシナリオでしばしば利用できる異常なサンプルに含まれる貴重な情報を見下ろしている。 この制限に対処するために、より実用的なアプローチとして、正規異常誘導型一般異常検出法を提案し、これは、正常および異常サンプルの両方を参照として活用し、多様な領域にわたる異常検出をガイドする。 本稿では,残留マイニング (RM) と異常特徴学習 (AFL) の2つの主要な構成要素からなる正規・異常一般学習 (NAGL) フレームワークを紹介する。 RMは、正常な参照残差から異常パターンを抽出し、転送可能な異常表現を確立する一方、AFLは、残差マッピングによりクエリ画像の異常特徴を適応的に学習し、インスタンス認識異常を識別する。 本手法は, 正常参照と異常参照の両方を, より正確かつ効率的なクロスドメイン異常検出に有効に活用する。 複数のベンチマークによる大規模な実験により,本手法が既存のGAD手法を著しく上回っていることが示された。 この研究は、一般的な異常検出の基準として、正常なサンプルと異常なサンプルの混合を採用した最初の例である。 コードとデータセットはhttps://github.com/JasonKyng/NAGLで公開されている。

関連論文リスト

• KKA: Improving Vision Anomaly Detection through Anomaly-related Knowledge from Large Language Models [54.63075553088399]
  Key Knowledge Augmentation (KKA)は,大規模言語モデル(LLM)から異常関連知識を抽出する手法である。 KKAは、生成した異常を、通常のサンプルと類似性に応じて、容易な異常と硬い異常と分類する。 実験の結果,提案手法は様々な視覚異常検出器の性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-02-14T07:46:49Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
  Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。 InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。 InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-03-11T08:07:46Z)
• Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
  Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。 現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。 本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
  論文  参考訳（メタデータ） (2023-11-12T13:25:28Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。